AI推荐了你的品牌，却引用了别人的网页

结论先说：被AI推荐和被AI引用，是两层事。五大引擎研究显示，品牌名层面的重合度高达67.4%，具体到URL却只有10.2%（Wellows，596,723条prompt，经TechTimes 2026-09-01汇编，见AI Citation Overlap Across Engines 2026）。各引擎在"该提谁"上高度共识，在"引谁家的页面来证明"上却几乎各干各的。只做品牌提及运营，解决不了引用问题。

现象与数据：品牌名重合67%，URL重合10%

结论：品牌名在引擎间的重合约 67%、URL 重合仅 10%，Intender 对 27,924 条引用的研究也发现五个引擎间只有 8% 的引用重叠。

这组对比是全文的基础。同一批prompt下，不同引擎给出的答案在"提到哪些品牌"上相当一致，但在"引用哪些网页"上分歧巨大：

口径	数据	来源与说明
品牌名重合度	67.4%	Wellows，596,723条prompt，经TechTimes汇编（2026-09-01）
URL重合度	10.2%	同上研究
推荐中引用品牌自有页的比例	31%	Shero Commerce，经Search Engine Journal（2026-09）
购买意图引用中来自品牌自有页	2.8%	同上

后两行更值得警惕：AI愿意推荐你的品牌，不等于它愿意用你自己的页面来支撑这个推荐。Shero Commerce的数据经行业分析机构汇编（AuthorityTech 对该研究的引述分析，2026-09）显示，当用户带着购买意图提问时，引用里只有2.8%来自品牌自有页——离转化越近的那一步，你自己的网页被用上的概率反而越低。

Intender对27,924条引用的研究提供了旁证：五个引擎之间只有8%的引用重叠，71%的域名只被其中一个引擎引用（见GEO Tactics Replication 2026）。在引用这件事上，几乎没有"搭便车"的空间。

机制拆解（上）：先答"谁值得出现"，再答"用哪页证明"

结论：模型组织答案分两步：先决定谁有资格被提到，再各自去找支撑网页，这正是品牌名共识高、URL 共识低的原因。

为什么品牌名共识高、URL共识低？因为这两件事发生在生成的不同阶段，是两次独立决策。

一层是品牌共识层。模型组织答案时，先决定"这个问题里，谁是有资格被提到的玩家"。这一层的判断大量来自训练语料中的讨论密度——评测、社区讨论、媒体报道、榜单——所以各引擎跑出来的品牌名单高度趋同，67.4%的重合度就来自这里。

另一层是证据页选择层。决定提及之后，各引擎再独立去找"用哪个网页来支撑这句话"。这一步发生在检索与引用环节，受页面可得性、结构、新鲜度影响，于是各引擎选出的页面差异极大——10.2%的URL重合、71%的域名只被一个引擎引用，都是这一层独立决策的结果。

这个拆解直接决定投入方向：品牌共识层靠"被讨论"，证据页选择层靠"页面本身经得起引用"。两层的优化动作完全不同，混在一起做，往往两头都做不透。

机制拆解（下）：证据页有明确偏好，且各引擎配对不同

结论：经得起引用的页面有明确偏好：Kumar 等人研究发现 78% 的引用指向企业官网，且 ChatGPT 与 Gemini 的域名重合度仅 11.9%。

那"经得起引用"的页面长什么样？Kumar等人的研究（arXiv:2606.20065）给了两个关键数字：78%的引用指向企业官网，best-of榜单文是所有被引格式中占比最高的一类，占21%。

这解释了一个常见困惑：明明第三方平台也在提你，为什么引擎引用的是别人的榜单而不是你的产品页——因为榜单文天然是"多选项并列加结构化对比"的形态，恰好是引擎喜欢拿来支撑推荐句的证据结构。

而且各引擎的配对各不相同。Writesonic基于161,286条prompt的分析（2026-07）显示：ChatGPT与Gemini的域名重合度仅11.9%，Perplexity与Google AIO为23.7%。连"两个引擎引到同一个域名"这种最低要求，在不同引擎对之间也只有一成到两成的概率。你在ChatGPT里被引用的那页，换到Gemini大概率换了一页，甚至换了一个站。

顺带说清一个边界：品牌提及与外链也不是一回事。外链影响的是传统搜索排序，AI引用有自己的选择逻辑，两者的关系我们在外链与AI引用的关系一篇里单独展开过；各引擎分别偏好什么类型的信源，可以参考六大AI平台信源地图。

反直觉观点：刷品牌提及解决不了引用

结论：提及帮你进答案，证据页结构才决定引谁：品牌可以在提及上做到 80 分，引用上拿不到分，自有页引用率仅 31%。

现在市面上大量GEO服务在做的事，本质是刷"品牌提及密度"：多平台铺内容、多语境带品牌名。这个动作对品牌共识层有用——它确实能提高你被提到的概率。但如果证据页一塌糊涂，结果就是本文标题：答案里出现你的名字，引用里出现的是别人的网页。

我们的判断很明确：提及帮你进答案，证据页结构才决定引谁。这两个投入必须分开算账。一个品牌可以在提及上做到80分，同时在引用上拿不到分——31%的自有页引用率说明，大多数品牌目前就是这种状态。反过来，只把官网页面打磨得再好、不去积累被讨论的素材，你会连"被选中的资格"都拿不到。

我们在服务中看到的典型场景是：客户在几个主流引擎里都能稳定被推荐，行业讨论里也有一定声量，但点开引用来源，大部分证据落在第三方榜单和评测站上，自家页面几乎不上场。

这时候单独加大铺量投入，提及数据会涨，引用结构不动——问题从来不在"提得不够多"，而在"没有一页可以被拿去当证据"。

可执行做法：五步把"被推荐"变成"被引用"

• 动作一：盘一遍"被推荐却没被引"的品牌页。把主流引擎里提到你品牌的答案拉出来，记录引用来源落在谁的域名上。产出是一份差距清单：哪些问题里你被提了，但证据不是你的。
• 动作二：把规格、对比、定价做成独立可引用事实页。78%引用指向企业官网、榜单文占21%这两个数字说明，引擎偏好结构化、可核对的页面。参数表、版本对比、价格构成，一页一个主题，别混在长篇品牌介绍里。
• 动作三：一页对一问题，做自包含结构。每页完整回答一个具体问题，结论放开头，数据带口径和日期，不依赖站内其他页面补上下文——引擎引用时往往只取这一页。
• 动作四：按引擎分别核对证据页，不混算。各引擎配对重合度只有11.9%到23.7%，你在A引擎的证据页未必在B引擎生效。分引擎记录引用URL，缺哪补哪。
• 动作五：同时监测品牌名与URL两个口径。提及率涨、引用率不动，说明投入打在了共识层、没打在证据层。两个口径分开看趋势，才能判断下一步资源往哪投。

需要说明的是，灵曦GEO在这类服务中不做医疗、金融、K12行业，不删真实差评，也不做跨地域排名——证据页优化做的是让真实事实更容易被核对，而不是改变事实本身。

边界与不适用

结论：31%、2.8%、78% 等均为研究时点的横截面数据，引擎的引用偏好会随版本迭代变化，结论不宜长期外推。

最后交代口径：

• 本文引用的多项研究来自不同prompt集与采样方式，数字之间不可跨研究直接硬比，只能看各自研究内部的相对关系（比如同一研究里67.4%对比10.2%）。
• 部分数据为海外引擎（ChatGPT、Gemini、Perplexity、Google AIO）口径，国内平台的引用机制未逐一验证，机制推演可参考，具体数字不宜直接套用。
• 31%、2.8%、78%等均为研究时点的横截面数据，引擎的引用偏好会随版本迭代变化。

想看这套方法在实际行业里的落地，可以看灵曦GEO的案例页。